[source]

CustomObjectScope

keras.utils.CustomObjectScope()

提供一个无法转义的_GLOBAL_CUSTOM_OBJECTS 范围。

with 语句中的代码将能够通过名称访问自定义对象。
对全局自定义对象的更改会在封闭的 with 语句中持续存在。
在with语句结束时，
全局自定义对象将恢复到 with 语句开始时的状态。

例子

考虑自定义对象 MyObject (例如一个类)：

with CustomObjectScope({'MyObject':MyObject}):
    layer = Dense(..., kernel_regularizer='MyObject')
    # 保存，加载等操作将按这个名称来识别自定义对象

[source]

HDF5Matrix

keras.utils.HDF5Matrix(datapath, dataset, start=0, end=None, normalizer=None)

使用 HDF5 数据集表示，而不是 Numpy 数组。

例子

x_data = HDF5Matrix('input/file.hdf5', 'data')
model.predict(x_data)

提供 start 和 end 将允许使用数据集的一个切片。

你还可以给出标准化函数（或 lambda）（可选）。
这将在检索到的每一个数据切片上调用它。

参数

• datapath: 字符串，HDF5 文件路径。
• dataset: 字符串，datapath指定的文件中的 HDF5 数据集名称。
• start: 整数，所需的指定数据集的切片的开始位置。
• end: 整数，所需的指定数据集的切片的结束位置。
• normalizer: 在检索数据时调用的函数。

返回

一个类数组的 HDF5 数据集。

[source]

Sequence

keras.utils.Sequence()

用于拟合数据序列的基类，例如一个数据集。

每一个 Sequence 必须实现 __getitem__ 和 __len__ 方法。
如果你想在迭代之间修改你的数据集，你可以实现 on_epoch_end。
__getitem__ 方法应该范围一个完整的批次。

注意

Sequence 是进行多进程处理的更安全的方法。这种结构保证网络在每个时期每个样本只训练一次，这与生成器不同。

例子

from skimage.io import imread
from skimage.transform import resize
import numpy as np
import math
# 这里，`x_set` 是图像的路径列表
# 以及 `y_set` 是对应的类别
class CIFAR10Sequence(Sequence):
    def __init__(self, x_set, y_set, batch_size):
        self.x, self.y = x_set, y_set
        self.batch_size = batch_size
    def __len__(self):
        return math.ceil(len(self.x) / self.batch_size)
    def __getitem__(self, idx):
        batch_x = self.x[idx * self.batch_size:(idx + 1) * self.batch_size]
        batch_y = self.y[idx * self.batch_size:(idx + 1) * self.batch_size]
        return np.array([
            resize(imread(file_name), (200, 200))
               for file_name in batch_x]), np.array(batch_y)

to_categorical

keras.utils.to_categorical(y, num_classes=None)

将类向量（整数）转换为二进制类矩阵。

例如。用于 categorical_crossentropy。

参数

• y: 需要转换成矩阵的类矢量
  (从 0 到 num_classes 的整数)。
• num_classes: 总类别数。

返回

输入的二进制矩阵表示。

normalize

keras.utils.normalize(x, axis=-1, order=2)

标准化一个 Numpy 数组。

参数

• x: 需要标准化的 Numpy 数组。
• axis: 需要标准化的轴。
• order: 标准化顺序(例如，2 表示 L2 规范化)。

Returns

数组的标准化副本。

get_file

keras.utils.get_file(fname, origin, untar=False, md5_hash=None, file_hash=None, cache_subdir='datasets', hash_algorithm='auto', extract=False, archive_format='auto', cache_dir=None)

从一个 URL 下载文件，如果它不存在缓存中。

默认情况下，URL origin处的文件
被下载到缓存目录 〜/.keras 中，
放在缓存子目录 datasets中，并命名为 fname。
文件 example.txt 的最终位置为 ~/.keras/datasets/example.txt。

tar, tar.gz, tar.bz, 以及 zip 格式的文件也可以被解压。
传递一个哈希值将在下载后校验文件。
命令行程序 shasum 和 sha256sum 可以计算哈希。

参数

• fname: 文件名。如果指定了绝对路径 /path/to/file.txt，
  那么文件将会保存到那个路径。
• origin: 文件的原始 URL。
• untar: 由于使用 ‘extract’ 而已被弃用。
  布尔值，是否需要解压文件。
• md5_hash: 由于使用 ‘file_hash’ 而已被弃用。
  用于校验的 md5 哈希值。
• file_hash: 下载后的文件的期望哈希字符串。
  支持 sha256 和 md5 两个哈希算法。
• cache_subdir: 在 Keras 缓存目录下的保存文件的子目录。
  如果指定了绝对路径 /path/to/folder，则文件将被保存在该位置。
• hash_algorithm: 选择哈希算法来校验文件。
  可选的有 ‘md5’, ‘sha256’, 以及 ‘auto’。
  默认的 ‘auto’ 将自动检测所使用的哈希算法。
• extract: True 的话会尝试将解压缩存档文件，如tar或zip。
• archive_format: 尝试提取文件的存档格式。
  可选的有 ‘auto’, ‘tar’, ‘zip’, 以及 None。
  ‘tar’ 包含 tar, tar.gz, 和 tar.bz 文件。
  默认 ‘auto’ 为 [‘tar’, ‘zip’]。
  None 或 空列表将返回未找到任何匹配。
  ke xu az z’auto’, ‘tar’, ‘zip’, and None.
• cache_dir: 存储缓存文件的位置，为 None 时默认为
  Keras 目录.

返回

下载的文件的路径。

print_summary

keras.utils.print_summary(model, line_length=None, positions=None, print_fn=None)

打印模型概况。

参数

• model: Keras 模型实例。
• line_length: 打印的每行的总长度
  (例如，设置此项以使其显示适应不同的终端窗口大小)。
• positions: 每行中日志元素的相对或绝对位置。
  如果未提供，默认为 [.33, .55, .67, 1.]。
• print_fn: 需要使用的打印函数。
  它将在每一行概述时调用。
  您可以将其设置为自定义函数以捕获字符串概述。
  默认为 print (打印到标准输出)。

plot_model

keras.utils.plot_model(model, to_file='model.png', show_shapes=False, show_layer_names=True, rankdir='TB')

将 Keras 模型转换为 dot 格式并保存到文件中。

参数

• model: 一个 Keras 模型实例。
• to_file: 绘制图像的文件名。
• show_shapes: 是否显示尺寸信息。
• show_layer_names: 是否显示层的名称。
• rankdir: 传递给 PyDot 的 rankdir 参数，
  一个指定绘图格式的字符串：
  ‘TB’ 创建一个垂直绘图；
  ‘LR’ 创建一个水平绘图。

multi_gpu_model

keras.utils.multi_gpu_model(model, gpus)

将模型复制到不同的 GPU 上。

具体来说，该功能实现了单机多 GPU 数据并行性。
它的工作原理如下：

• 将模型的输入分成多个子批次。
• 在每个子批次上应用模型副本。
  每个模型副本都在专用 GPU 上执行。
• 将结果（在 CPU 上）连接成一个大批量。

例如， 如果你的 batch_size 是 64，且你使用 gpus=2，
那么我们将把输入分为两个 32 个样本的子批次，
在 1 个 GPU 上处理 1 个子批次，然后返回完整批次的 64 个处理过的样本。

这实现了多达 8 个 GPU 的准线性加速。

此功能目前仅适用于 TensorFlow 后端。

参数

• model: 一个 Keras 模型实例。为了避免OOM错误，该模型可以建立在 CPU 上，
  详见下面的使用样例。
• gpus: 整数 >= 2 或整数列表，创建模型副本的 GPU 数量，
  或 GPU ID 的列表。

返回

一个 Keras Model 实例，它可以像初始 model 参数一样使用，但它将工作负载分布在多个 GPU 上。

例子

import tensorflow as tf
from keras.applications import Xception
from keras.utils import multi_gpu_model
import numpy as np
num_samples = 1000
height = 224
width = 224
num_classes = 1000
# 实例化基础模型（或「模板」模型）。
# 我们建议在 CPU 设备范围内执行此操作，
# 以便让模型的权值托管在 CPU 内存上。
# 否则，他们可能会最终托管在 GPU 上，
# 这会使权值共享变得复杂。
with tf.device('/cpu:0'):
    model = Xception(weights=None,
                     input_shape=(height, width, 3),
                     classes=num_classes)
# 将模型复制到 8 个 GPU 上。
# 这假定你的机器有 8 个可用的 GPU。
parallel_model = multi_gpu_model(model, gpus=8)
parallel_model.compile(loss='categorical_crossentropy',
                       optimizer='rmsprop')
# 生成虚拟数据。
x = np.random.random((num_samples, height, width, 3))
y = np.random.random((num_samples, num_classes))
# 这个 `fit` 调用将分布在 8 个 GPU 上。
# 由于 批大小为 256，每个 GPU 将处理 32 个样本。
parallel_model.fit(x, y, epochs=20, batch_size=256)
# 通过模板模型（共享相同的权值）保存模型：
model.save('my_model.h5')

关于模型保存

要保存多 GPU 模型，请通过模板模型（传递给 multi_gpu_model 的参数）调用 .save(fname) 或 .save_weights(fname) 以进行存储，而不是通过 multi_gpu_model 返回的模型。